عملکرد مدل های AR۴ و ATR در شبیه سازی پارامتر های اقلیمی با شبکه عصبی مصنوعی مطالعه موردی: حوزه آبخیز سزار
- سال انتشار: 1397
- محل انتشار: مجله علوم و مهندسی آبخیزداری ایران، دوره: 12، شماره: 42
- کد COI اختصاصی: JR_JWMS-12-42_001
- زبان مقاله: فارسی
- تعداد مشاهده: 27
نویسندگان
Isfahan University of Technology
SCWMRI
Isfahan University of Technology
Isfahan University of Technology
Isfahan University of Technology
چکیده
در پژوهش حاضر عملکرد ۶ مدل گردش عمومی جو به نام های HADCM۳، CGCM۳، CSIROMK۳ (از مجموعه مدل های AR۴) و CGCM۱، GFDL۳۰، NCARPCM (از مجموعه مدل های ATR) در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش حوزه سزار با استفاده از شبکه عصبی مصنوعی (ANN) مورد ارزیابی قرار گرفتند. برای آموزش شبکه عصبی مصنوعی از مدل پرسپترون forward استفاده شد. مطابق با ارزیابی عملکرد مدل ها با استفاده از ضرایب حداکثر خطای مطلق ، میانگین قدر مطلق خطا ، جذر میانگین مربعات و ضریب تبیین، در بین دو مجموعه مدل AR۴ و ATR، به طور میانگین مدل های AR۴ عملکرد بهتری نسبت به مدل های ATR دارند و این مدل ها عدم قطعیت کمتری در شبیه سازی پارامتر های اقلیمی دمای میانگین و بارش برای حوزه سزار در دوره ۲۰۰۰-۱۹۹۶ دارند. در بین ۶ مدل ذکر شده ، مدل CGCM۳ بهترین عملکرد را در شبیه سازی پارامتر های اقلیمی برای حوزه سزار دارد. این مدل همراه با HADCM۳ کمترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند. همچنین نتایج نشان داد که مدل CSIROMK۳.۰ و CGCM۱ بیشترین اختلاف را با پارامتر های اقلیمی مشاهداتی دارند.کلیدواژه ها
uncertainty, artificial neural network, model perceptron, the AR۴ and ATR, عدم قطعیت, شبکه عصبی مصنوعی, مدل پرسپترون, AR۴ و ATRاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.